최근의 분광 조사는 많은 샘플의 은하수 별에 대한 원소 풍부성을 제공하여 별 매개변수를 유추할 수 있게 합니다. 그 중에서도 별의 나이는 추정하기 매우 어려운 매개변수이며 은하 고고학 연구에 있어 기본적인 속성입니다. 우리는 별 진화 그리드에서 신경망을 훈련하여 나이 측정을 위한 모델 기반의 깊이 학습 방법을 개발하는 것을 목표로 합니다. 일반적인 데이터 기반의 깊이 학습 접근이 이전 나이 추정을 훈련 데이터로 사용하는 것과 대조적으로, 우리의 방법은 더 넓고 덜 편향된 적용 범위를 가질 수 있는 잠재력을 가지고 있습니다. 예를 들어, 베이지안 이소크론 피팅과 비교할 때 깊이 학습 방법의 낮은 컴퓨팅 비용은 대규모 분광 카탈로그의 폭넓은 분석을 가능하게 합니다. 우리는 서로 다른 별 진화 그리드에서 다층 퍼셉트론을 훈련시켜 M/H, MG, (G_BP -G_RP)를 별 나이 τ로 매핑했습니다. 우리는 Gaia 광도와 시차, 금속성과 분광 조사 및 소실 맵의 α 원소를 결합하여 별의 나이를 추정하기 위해 신경망을 통과시켰습니다. 우리는 LAMOST DR10, GALAH DR3 & DR4, 그리고 APOGEE DR17 분광 조사에 이 방법을 적용하였으며, BaSTI 트랙 및 기타 별 진화 모델을 사용하여 나이를 추정하였습니다. 우리는 이 신기술을 활용하여 매우 큰 데이터 집합에 적용된 여러 진화 그리드에서의 나이 추정 차이를 처음으로 연구하였습니다. 또한 13개의 열린 클러스터와 1개의 구형 클러스터의 나이를 측정하여 문헌상의 나이와의 중앙 절대 편차가 0.20 Gyr임을 발견하였습니다. 우리의 추정으로부터 얻은 별 나이 카탈로그와 함께, 우리는 이 작업을 기반으로 별 나이를 추정하기 위한 파이썬 패키지(NEST)와 웹 인터페이스를 출시합니다. 우리는 동일한 진화 그리드를 사용할 경우, 우리의 방법이 SPInS와 유사한 베이지안 접근과 동일한 나이를 도출한다는 것을 보여주었으며, 일반적인 별의 경우 단지 컴퓨터 비용의 일부분만으로 60,000배의 속도 향상을 이루었습니다. 따라서 이 모델 기반의 깊이 학습 기술은 오늘날과 가까운 미래에 이용 가능한 가장 큰 데이터 집합에 대한 광범위한 은하 고고학 연구의 길을 열어줍니다.
Boin et al. (2026)은 이 문제를 연구하였습니다.